Проста лінійна регресія

S.E. of regression 228.7708 Akaike info criterion 13.85433

Sum squared resid 523360.8 Schwarz criterion 13.93515

Log likelihood-81.12598 F-statistic 51.42562

Durbin-Watson stat 1.941843 Prob(F-statistic) 0.000030

Log-lin модель

VariableCoefficientStd. Errort-StatisticProb.

PRICE_SOURCE 0.000666 6.50E-05 10.24050 0.0000

C 6.795716 0.085081 79.87346 0.0000

R-squared 0.912943 Mean dependent var 7.635971

Adjusted R-squared 0.904238 S.D. dependent var 0.251863

S.E. of regression 0.077940 Akaike info criterion-2.114740Sum squared resid 0.060747 Schwarz criterion-2.033923

Log likelihood 14.68844 F-statistic 104.8678

Durbin-Watson stat 2.932728 Prob(F-statistic) 0.000001

Log-log модель

VariableCoefficientStd. Errort-StatisticProb.

LOG_X 0.765822 0.094660 8.090221 0.0000

C 2.199048 0.672610 3.269426 0.0084

R-squared 0.867465 Mean dependent var 7.635971

Adjusted R-squared 0.854211 S.D. dependent var 0.251863

S.E. of regression 0.096167 Akaike info criterion-1.694450

Sum squared resid 0.092481 Schwarz criterion-1.613633

Log likelihood 12.16670 F-statistic 65.45167

Durbin-Watson stat 2.400324 Prob(F-statistic) 0.000011

Як ми бачимо, найбільший коефіцієнт детермінації спостерігаємо в Log-lin моделі. Оберемо саме цю модель для подальшого дослідження.

Лінійний вигляд нашої моделі такий: . Як бачимо, тепер коефіцієнти нашої моделі – це та . Тобто, в нашому випадку, . Звичайно, ми очікували отримати інші коефіцієнти для нашої моделі (враховуючи, що вона класично лінійна), оскільки ми використовуємо Log-lin модель, коефіцієнти дорівнюють натуральним логарифмам та . Як ми і очікували, наявний прямий зв’язок між ціною ресурсу та оптовою ціною продукції, тобто знаки коефіцієнтів моделі є додатніми.